課程大綱： Python統(tǒng)計建模到深度學習培訓(xùn)
1、玩轉(zhuǎn)Pandas
第1章 工具準備
第2章 數(shù)據(jù)的導(dǎo)入與導(dǎo)出
第3章 變量列的基本操作
第4章 胖噠黑魔法：索引
第5章 案例行的基本操作
第6章 變量變換
第7章 文件級別的數(shù)據(jù)管理
第8章 數(shù)據(jù)清洗
第9章 處理日期時間變量
第10章 數(shù)據(jù)的圖形展示
第11章 數(shù)據(jù)特征的分析探索
第12章 北京PM2.5數(shù)據(jù)分析
第13章 如何優(yōu)化Pandas
2、玩轉(zhuǎn)統(tǒng)計分析
第1章 變量的統(tǒng)計描述
第2章 連續(xù)變量的比較：t檢驗
第3章 檢驗方法適用條件的考察
第4章 多組均數(shù)的比較：單因素方差分析
第5章 有序分類變量的比較：非參數(shù)方法
第6章 無序分類變量的比較：卡方檢驗
第7章 數(shù)據(jù)的關(guān)聯(lián)性分析
第8章 線性回歸模型入門
第9章 樣本量的計算
3、玩轉(zhuǎn)統(tǒng)計模型
第1章 統(tǒng)計模型課程概述
第2章 方差分析模型
第3章 線性回歸模型
第4章 線性回歸的衍生模型
第5章 logitsic回歸
第6章 決策樹模型
第7章 神經(jīng)網(wǎng)絡(luò)
第8章 支持向量機
第9章 主成分分析與因子分析
第10章 聚類分析
第11章 近鄰分析
第12章 生存分析
第13章 關(guān)聯(lián)分析
4、零代碼玩轉(zhuǎn)網(wǎng)絡(luò)爬蟲！
第1章 不寫代碼照樣玩轉(zhuǎn)網(wǎng)絡(luò)爬蟲
第2章 開蒙：先拿某浪新聞開刀
第3章 登堂：雙11之后伸向某寶
第4章 入室：微博，也可以
第5章 論劍：我們和專業(yè)爬蟲工程師相比還差什么？
第6章 彩蛋：如果你需要高速抓取靜態(tài)頁面網(wǎng)站
5、玩轉(zhuǎn)數(shù)據(jù)可視化
第1章 準備軟件環(huán)境
第2章 matplotlib繪圖操作入門
第3章 數(shù)據(jù)可視化理論入門
第4章 單變量信息的可視化
第5章 復(fù)雜條圖，線圖與面積圖
第6章 散點圖
第7章 在圖形中納入更多變量信息
第8章 子圖與圖形網(wǎng)格
第9章 色彩搭配
第10章 統(tǒng)計圖的進一步美化與修飾
第11章 特殊統(tǒng)計圖的繪制
第12章 自由繪圖
6、數(shù)據(jù)挖掘入門
第1章 什么是數(shù)據(jù)挖掘
第2章 數(shù)據(jù)挖掘方法論：CRISP-DM
第3章 數(shù)據(jù)挖掘方法體系入門
第4章 數(shù)據(jù)挖掘方法體系介紹
第5章 文本挖掘入門
第6章 數(shù)據(jù)挖掘項目的綜合評估
第7章 數(shù)據(jù)挖掘中的軟件工具
7、玩轉(zhuǎn)數(shù)據(jù)挖掘
第1章 Python機器學習/數(shù)據(jù)挖掘概述
第2章 數(shù)據(jù)的預(yù)處理
第3章 特征選擇與信息濃縮
第4章 回歸類模型的訓(xùn)練
第5章 類別預(yù)測模型的訓(xùn)練
第6章 聚類模型的訓(xùn)練
第7章 評估模型效果
第8章 數(shù)據(jù)的拆分
第9章 模型參數(shù)優(yōu)化
第10章 模型集成
8、玩轉(zhuǎn)文本挖掘
第1章 文本挖掘概述
第2章 磨刀不誤砍柴工
第3章 分詞
第4章 詞云展示
第5章 文本信息的向量化
第6章 關(guān)鍵詞提取
第7章 抽取文檔主題
第8章 文檔相似度
第9章 文本分類
第10章 情感分析
第11章 自動摘要
第12章 文本自動寫作
9、深度學習
第1章 深度學習概述
第2章 準備軟件環(huán)境
第3章 神經(jīng)網(wǎng)絡(luò)模型入門
第4章 Keras操作入門
第5章 卷積神經(jīng)網(wǎng)絡(luò)
第6章 圖像預(yù)處理
第7章 遷移學習
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò)
第9章 長短期記憶網(wǎng)絡(luò)
加入高級會員獲得助教答疑
